对话理想汽车杨杰：理想智驾完成“最小级闭环” 业内能达到这一水准的“寥寥无几”

中经记者 尹丽梅 张硕 上海报道

“坦白来讲，外界可能感觉到理想像是换了一下代，但并不只是这样。对我们而言，在AD 5.0马赫这一平台上，我们真正完成了一次非常复杂的迭代。”

近日，理想汽车智能驾驶产品负责人杨杰，在由中国汽车工业协会和《中国经营报》联合主办的“2026年中国汽车论坛会客厅”接受专访时，就马赫平台对理想汽车的战略意义作出了上述表述。

不久前发布的新一代理想L6，搭载了理想汽车自研马赫M100芯片与马赫VLA大模型，将决策响应速度提升至新的高度，实现了从传统的“指令执行”向“场景理解与风险预判”的跨越。在杨杰看来，这不仅是一次技术的跃迁，更是理想汽车打通底层全栈自研“最小级闭环”、走向“具身智能”的关键落子。

自研构筑智驾“最小级闭环”

“从硬件到软件，我们的芯片换成了纯自研方案，域控制器重新进行了设计，传感器完成全面更新，激光雷达也补齐了。同时，模型架构也发生变化，采集的数据也是全新的。更重要的是，将这些模型部署到车上的编译器，同样是理想全自研的。”杨杰坦言，以前行业内大多依赖英伟达在内的供应商成熟的工具链，而理想则选择的是自己重新来搭建整个体系。

也正是因为从自研编译器到交付这一整套流程都掌握在自己的手里，理想汽车才能实现“发布即交付”。杨杰表示，这意味着理想在智能驾驶领域完成了“最小级闭环”。“在国内乃至国际上，能做到这样水准的，目前看来也是寥寥无几。”

关于“最小级闭环”，杨杰作了进一步解释：“当我们软件迭代后发现硬件层面有新的诉求时，软硬件团队可以高频沟通、快速更改。而如果硬件是外采的，改动就极为困难，包括软件编译器在内的一些工具链的适配也未必能够及时完成。一旦芯片、编译器、操作系统、应用端模型和传感器数据全部实现自研，我们的迭代速度就能非常快。团队内部能够高效协作，无须经历比较长时间的供应链的磨合。”

他强调，智能驾驶对时间的要求极高，“只有跑在前面，才会更有存在的必要性。”

“智驾”安全标准须做到10倍于“人驾”

智能汽车是当前汽车产业发展的“重头戏”。在杨杰看来，汽车的发展史可以划分为三个阶段：第一个阶段是机械汽车阶段，车辆所有操作都需要人来完成，依靠各类按钮和挡杆操作，这一模式持续了近百年。第二个阶段是智能汽车阶段，以理想ONE的四屏交互界面为代表，后续通过持续迭代上线了近百项智能功能项。但他坦言，功能越多对应的入口就越多，用户产生了较重的学习负担。“智能汽车一直标榜智能化，人却还是主要的调度者，其实不够智能。上百项功能中，用户日常常用的仅10余项，其余多数功能仅为行业竞争储备，有的用户甚至叫不上名字。”

基于这一现状，杨杰认为汽车的发展将进入第三个阶段——真正意义上的具身智能汽车。他指出，这一阶段虽然仅新增“具身”二字，但其核心逻辑已完全转变：不再需要用户持续学习、主动适配各类车辆功能，而是切换角色主体，让车辆具备“主人翁意识”，自主感知、主动响应，自主识别和理解各类出行场景。具备具身智能的车辆，能够主动承接用户出行目标、独立完成对应任务，甚至可以简化复杂执行流程，直接向用户交付最终结果。“独立完成任务的能力，是下一阶段具身智能汽车最核心、最重要的评价指标。”

“安全”二字，是迈向具身智能汽车时代的前提，也是底线。杨杰指出，从L2向L3、L4级迈进，汽车驾驶员大概率不再参与驾驶操作，车辆失去了由人类驾驶员提供的安全冗余，智驾系统的安全性必须实现数量级的飞跃。

“对于智能驾驶而言，做到跟人驾一样安全可能只是很基础的一项标准，我们甚至觉得，智能驾驶的安全标准必须做到10倍于人驾，甚至是几十倍于人驾。”杨杰的推演逻辑很清晰：交通事故绝大多数源于人类驾驶员的疲劳、分神、接打电话或酒驾等主观风险。剔除这些人为因素后，超90%的交通事故可被规避。因此，高阶智驾系统只要行车规范、驾驶逻辑贴合优质人类司机，天然就能实现10倍于人驾的安全水平。“10倍安全只是起点，未来行业会逐步实现20倍、100倍的安全冗余。”

攻坚10%长尾场景 以聚焦用户体验破局同质化

在向高阶智能驾驶进化的道路上，关于技术路线以及同质化问题的探讨从未停歇。面对当下业内热议的VLA（视觉—语言—动作）路线与世界模型路线之争，杨杰给出了“以终为始”的长期主义解答：“如果从短期来看，到底哪一条路线能带给用户更好的体验，可能会有你我之分。但是如果我们拉长时间线来看，我们要解决的是自动驾驶这样的一个问题，并不会是绝对的有他没我这样的状态，很有可能是共生的。”

杨杰进一步阐释了理想汽车为何强调VLA路线。他认为，大模型具备很强的推理、解释及阐述因果关系的能力，因此能够较好地处理复杂场景。以消防栓突然爆水这类长尾场景为例，VLA能够理解这个场景并给出妥当的处置。VLA路线的价值，就在于它能处理复杂场景和长尾场景。

关于世界模型，杨杰将其理解为对物理世界规律的重构。秋冬天气比较冷的时候，下雨雪后地面就会结冰，轮胎与冰面接触会打滑，这类物理常识不需要复杂的推理。如果世界模型做得足够好，就能还原物理规律，“下意识”地去解决一些问题。此外，世界模型还能对长尾场景进行重建，无须用户真正遇到即可积累数据——因为部分长尾场景与极端危险场景高度重叠，解决极端场景更多需要依靠世界模型重建物理规律，提供数据支撑。

长尾难题当前是智能辅助驾驶发展的一个瓶颈。杨杰指出，依靠模仿学习的端到端大模型，让智能驾驶系统能够复刻人类驾驶员的驾驶行为，在常规场景中表现稳定，即便面对看似复杂的路口，依托海量采集数据和模仿学习模型，也能快速适配。行车过程中，90%以上都是常规简单场景，剩余10%是复杂长尾场景，这正是当前技术无法突破的核心痛点。

为了跨越这10%的“长尾”陷阱，杨杰认为高阶自动驾驶必须攻坚四大核心方向：第一是长短时序记忆能力。针对用户高频通勤路线和常用出行场景，车辆需要实现越用越贴合、越用越称心的效果。第二是复杂场景决策能力。面对复杂路况，通过让AI理解物理世界的运行规律，使智能驾驶系统能够做到三思而后行。第三是自我辨错与纠错能力。人类驾驶员具备天然的自我反思和自我纠错能力，驾驶行为出现偏差时，无须外部干预即可自主察觉修正。但当前AI和自动驾驶系统缺失这种自主判定、自我纠错的行为能力。第四是认知自我迭代能力。整体交通社会环境、交通法规、道路标识处于持续更新状态，人类可通过新闻资讯快速掌握最新变化，但对自动驾驶系统难度极大。车载模型量产上车后基本处于固定状态，无法与互联网实现高频信息交互、实时更新认知。“这是行业需要持续解决的核心问题。”

针对行业同质化现象，杨杰认为，未来所有自动驾驶车辆的行为风格趋同是集中管理的必然趋势，但在现阶段，破局同质化的关键在于回归用户需求本身。高阶智能驾驶的评估标准在于安全冗余倍数与“拟人化驾驶”。杨杰称，以理想汽车为例，其用户主体为家庭用户，当系统识别到满载出行时，会自动调整驾驶风格及底盘悬挂舒适度。“脱离用户需求的竞争维度只是昙花一现，回到用户本身才有长线价值。”

杨杰判断，对于智能汽车而言，堆叠智能驾驶功能，“从0到1”的产品形态想象空间已经不大了。下一阶段智能汽车发展的核心目标，是打造媲美职业司机的驾驶能力。

（编辑：张硕 审核：童海华 校对：颜京宁）